基于机器视觉的水面漂浮物自动监测的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 水面漂浮物自动监测的研究背景及意义 | 第8-9页 |
| 1.2 水面漂浮物自动监测的研究现状 | 第9-10页 |
| 1.3 研究的主要内容以及论文内容安排 | 第10-12页 |
| 第二章 水面漂浮物自动监测系统的硬件构架 | 第12-15页 |
| 2.1 机器视觉系统构架 | 第12页 |
| 2.2 硬件设备 | 第12-15页 |
| 第三章 水面漂浮物的分割提取算法研究 | 第15-27页 |
| 3.1 图像背景光照不均匀校正算法 | 第15-16页 |
| 3.1.1 顶帽变换 | 第15-16页 |
| 3.1.2 基于概率的背景光照不均匀校正算法 | 第16页 |
| 3.2 图像分割算法 | 第16-24页 |
| 3.2.1 颜色特征分割法 | 第16-17页 |
| 3.2.2 阈值分割法 | 第17-22页 |
| 3.2.3 聚类分割法 | 第22-23页 |
| 3.2.4 边缘分割法 | 第23-24页 |
| 3.3 图像分割质量评价 | 第24-27页 |
| 3.3.1 区域一致性 | 第24页 |
| 3.3.2 区域对比度 | 第24-25页 |
| 3.3.3 区域的形状参数 | 第25页 |
| 3.3.4 模糊熵 | 第25-26页 |
| 3.3.5 人工分割图比对 | 第26-27页 |
| 第四章 水面漂浮物的检测判别 | 第27-39页 |
| 4.1 水面漂浮物的特征选择与提取 | 第27-28页 |
| 4.1.1 二值形态学操作 | 第27-28页 |
| 4.1.2 特征选择 | 第28页 |
| 4.2 特征归一化 | 第28-29页 |
| 4.3 模式识别方法 | 第29-37页 |
| 4.3.1 BP神经网络 | 第29-30页 |
| 4.3.2 粒子群优化神经网路 | 第30-33页 |
| 4.3.3 贝叶斯分类算法 | 第33-35页 |
| 4.3.4 支持向量机 | 第35-36页 |
| 4.3.5 决策树 | 第36-37页 |
| 4.3.6 KNN算法 | 第37页 |
| 4.4 方法评价 | 第37-39页 |
| 第五章 实验及结果分析 | 第39-47页 |
| 5.1 背景不均矫正算法实验分析 | 第39-40页 |
| 5.2 图像分割实验结果与分析 | 第40-43页 |
| 5.3 水面漂浮物检测判别实验分析 | 第43-47页 |
| 第六章 总结与展望 | 第47-48页 |
| 6.1 总结 | 第47页 |
| 6.2 展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 附录 | 第52-63页 |
| 发表论文和参加科研情况说明 | 第63-64页 |
| 致谢 | 第64页 |
